Urban Sensing Systems
-
摘要:
城市感知体系是感知城市状态的“五官”和数据产生的源头,是开展智能城市建设的前提和发展数字经济的基础。当前城市感知面临着4大挑战:感知内容不全、感知手段单一、整体统筹缺失、运营管理不足。针对以上挑战,提出城市感知体系,包括一套理论框架、一套技术产品和一套运营模式,实现“全域感知、精准掌控、合理布局和稳定有效”4大业务目标。理论框架凝练出“人流量、交通流、环境、公共安全、能耗和经济”6类智能城市建设中最关注的感知内容,细化和定义各类待感知指标;构建以传感器为中心的固定和移动感知、以人为中心的主动和被动感知4种感知方式;抽象并解决资源部署、采样偏斜、数据稀疏和数据丢失4大技术难题。一套技术产品通过搭建城市感知平台承载理论框架,并为上层应用提供统一的感知数据服务,为感知体系的建设者提供统一的接入和运维工具。一套运营模式实现统筹规划布局、数据全量接入、按需采购服务、系统集成运营,确保感知体系长期稳定有效、商业良性循环。
Abstract:Urban sensing, as the first layer of urban computing, is the foundation of intelligent cities, gene‑rating crucial data representing city dynamics for digital applications. Aiming to solve the challenges that urban sensing is facing, this paper proposes an urban sensing system that is comprised of a theoretical framework, a technical platform and an operational model. The theoretical framework consists of six categories of content to be sensed, four sensing paradigms, and four technical challenges. The technical platform provides digital tools for managing sensors and collecting data, and supplies upper-layer applications with interfaces for using urban sensing services. Urban sensing systems can reduce redundant sensor deployment and further operational workloads. It improves the capability of urban sensing service providers in solving problems and the synergy among each other. It also generates continuous economic benefits, such as income and employment, ensuring urban sensing functions stable and sustainable.
-
随着交通事业的蓬勃发展和“十四五”交通规划愿景的提出,中国桥梁建设进入高速成长期,在数量、规模、技术等方面跻身世界前列[1-2]。然而桥梁建造过程复杂繁琐,建造环境恶劣、地形地势复杂,易受风场、温度场、自身应力等内外环境的影响[3]。智能化是桥梁建设的重要方向,数字孪生是实现桥梁智能建造的有效途径。数字孪生将现实环境中桥梁的结构、状态和行为等映射到虚拟环境,为透彻理解和精准控制桥梁建造过程提供新手段[4-7]。由于桥梁建造工序和过程复杂多变,因此,如何高效地对桥梁建造过程涉及的对象、行为和状态进行准确描述与表达,是桥梁建造数字孪生构建亟需解决的关键问题[8]。
可视化能够直观而准确地描述桥梁信息。当前许多桥梁建造工程都基于建筑信息模型(building information modeling, BIM)技术对桥梁施工过程开发可视化平台[9-12],相较于施工图纸而言,其能更加明确地表示桥梁复杂的构件组成以及空间位置,从而为施工进度管理以及质量安全管控提供可靠的数据支撑。这些精细的模型能够用于展现桥梁施工工艺工法的动态过程,通过模拟展示施工工序,使得施工方案更加直观和可理解,从而保障施工的可靠性[13-16]。此外,对于桥梁建造环境也开展了较多可视化研究,如桥梁建造过程中的力学、风场、温度场等复杂环境下的三维可视化表达[17-20]。然而,上述研究主要侧重于聚焦数据管理与三维效果的可视化呈现,缺乏对于不同场域下桥梁属性、结构状态和行为的准确刻画,导致规范性差、认知效率低。
叙事即通过一定媒介对发生在特定时间和空间中的事件进行再现。随着地图学制图理论、技术、方法的不断进步,将叙事与地理空间技术相结合,并将事件在空间参考框架中进行分析,可以进一步拓展空间叙事研究思路,促进地理信息和知识的传递[21]。2012年,国际制图协会艺术地图委员会邀请地图学、人文学等多领域专家对叙事与地图的关系进行了深入探讨[22]。同一时期,ESRI开发了地图、文本、多媒体等相结合的在线故事地图平台Story Maps,实现公众对个人地图故事的创建与编辑,叙事地图提供的故事叙述体系增强了地图和文本的表现力[23]。常见的地图叙事可视化方法包括流向图、时空立方体、动画等[24-26]。然而,以上可视化方法主要以二维表达为主,对于复杂性、模糊性、多样性事件描述能力不足导致认知效率低。考虑到一切时间皆发生于一定的空间内,将事件进一步映射至地理空间并建立多维可视化环境,可以进一步加深人员对于事件过程时空特征和规律的理解。
知识图谱可以从多类型复杂数据中抽取实体和关系[27-29],有助于实现对桥梁建造知识的统一表达和关联管理,为桥梁建造过程时空叙事提供基础。然而目前对桥梁本体和知识图谱的研究较少,且侧重桥梁智能运维管理,主要针对桥梁结构、监测和检测信息进行数据的集成和检索[30-31],例如对桥梁混凝土构件裂缝灾害进行本体建模,实现裂缝位置、属性等信息的组织管理,并进行裂缝原因分析[32];又或者以桥梁本体为基础搭建桥梁检测问答系统,实现对桥梁的管理养护[33]。但是这些研究没有刻画复杂多变的桥梁建造过程,缺乏对桥梁建造对象、特征及相互关系的准确描述。
针对以上问题,本文拟创新性地引入知识图谱和时空叙事技术,重点开展知识引导的桥梁建造过程时空叙事三维可视化方法研究。首先通过剖析桥梁建造对象特征和语义关系,建立“对象-行为-状态”三域关联的桥梁建造知识集成表达模型,利用知识图谱实现对桥梁建造知识的统一表达和关联管理;然后分析桥梁建造叙事要素,设计知识图谱中叙事要素的匹配规则,提出了桥梁叙述场景映射与实例化思路,给出时空叙事三维动态可视化方法,实现对桥梁建造过程复杂对象和关系的三维动态表达;最后研发原型系统并进行案例实验分析,以验证方法的有效性与可行性。
1 桥梁建造过程时空叙事三维可视化
1.1 总体思路
桥梁建造过程时空叙事三维可视化方法的总体思路图如图1所示。首先,对桥梁建造事件的相关概念进行剖析,提出桥梁建造信息三域关联的集成表达模型,以实现三域关联的桥梁建造本体的构建,并基于本体为模板通过实体关系抽取构建桥梁建造知识图谱;然后,分析桥梁建造叙事要素特征,形成基于知识图谱实现叙事要素匹配方法与三维场景映射与实例化思路;最后,融合视觉变量、三维动画、图片和文字等多种叙事方法实现桥梁建造过程时空叙事三维动态可视化模拟,以生动直观表达桥梁建造过程复杂对象和时空关系。
1.2 “对象-行为-状态”三域关联的桥梁建造知识图谱
在地理环境复杂艰险的情况下,施工资源与条件需要有机协调,才能有序完成桥梁施工建造。本文剖析了桥梁建造事件需考虑的相关要素和数据,保证所构建知识图谱的完整性。同时,从施工技术变化的角度,提出桥梁建造信息“对象-行为-状态”关联的集成表达模型,按照事件推进、参与对象、状态演变对桥梁建造时间的对象分类和关联,以达成支持桥梁建造本体的构建。
桥梁建造信息三域关联的集成表达模型如图2所示。行为域是推动桥梁施工建造过程变化的驱动力,建造过程中阶段变化伴随着要素、关系的时空变化。对象域是桥梁建造事件的主要参与者,是桥梁对象和资源分配的统一描述;状态域是要素时空与属性的语义变化表达。行为域、对象域、状态域三域联动改变。
根据上述模型,本文通过以下结构来定义桥
梁建造本体:
(1) 其中,BCO(bridge construction ontology)代表桥梁建造事件本体;EO(event object)代表事件对象,包括桥梁建造的各施工流程;SO(scene object)代表桥梁场景对象;DO(data object)代表数据对象,表示事件中多样数据形式,包括桥梁构件模型数据、施工视频数据、文本资料等;SRE(semantic relation)代表语义关系,包含各对象内部间的关系;PRO(property)代表对象属性,如施工设备型号与类别、使用材料类型等。
桥梁建造过程知识图谱先由模式层即本体结构引导下,建立节点与属性间的对应关系,即形成桥梁建造本体到知识图谱的映射关系。如图3所示,利用Neo4j,即知识图谱存储与可视化工具,进行节点的存储与桥梁建造过程知识图谱的可视化构建。
1.3 桥梁建造过程时空叙事三维动态可视化
1.3.1 叙事要素分析与匹配
基于桥梁建造事件的特征,提出桥梁建造事件的时空场景叙事要素。以桥梁建造的叙事场景为主干,桥梁建造事件的时空场景叙事要素为以下3类:①建造过程时间要素;②建造场景空间要素(数据、位置、姿态);③桥梁建造资源要素(施工设备、技术、材料等)。
利用本文所构建知识图谱中节点与关系的规律性,如桥梁建造工序与施工所需的设备、材料、工法技术等节点相连的属性,从核心节点开始,通过定义图结构来实现精准高效的查询。如图4所示,利用关系节点匹配的方法,从桥梁建造知识图谱中提取叙事要素,达成清晰表达桥梁建造过程时空叙事的目标。图4中,V为节点,E为关系边。设H为节点的标签,K为关系的标签,则本文定义的图结构为:首先定义图G=(V,E,H,K)和图G1=(V1,E1,H1,K1),若其映射关系f:V→V1,同时符合以下条件:(1)∀a∈V,且H(a)=(f(a)),f(a)∈G1;(2)∀b∈E,且f(b)∈E1;(3)∀c∈E,且K(c)=K(f(c)),得到结论G和G1子图同构。通过定义的子图结构与语义约束提取知识。图4中,左图定义结构能够匹配右图中3个相同结构(红色、蓝色和紫色虚线所示),然后对节点和关系定义特定约束,如节点类型与名称,最终得到唯一符合要求的子图(蓝色框线所示)。
1.3.2 桥梁建造三维场景的映射与实例化
场景映射与实例化是指利用一定的技术与方法将真实地理场景转换为虚拟地理场景的过程,基于桥梁建造知识图谱查询的内容,能够实现基础地形、场景建筑和桥梁等对象精准地映射到三维场景中。如图5所示,本文桥梁建造场景映射步骤分为概念与逻辑模型设计、桥梁模型轻量化、物理模型建立和三维场景构建,实现桥梁建造三维场景的映射。
1.3.3 时空叙事三维动态可视化
桥梁建造场景涉及的要素与信息庞杂,融合视觉变量、文字、图片和三维模型场景的叙事手段能够丰富场景内容,同时也造成认知困难。叙事地图通过划分场景视觉层次,对过程进行编排,以“讲故事”的形式提升学生视觉体验,为清晰明了、易于理解的可视化带来了新途径[34]。主题、时间、空间、过程是叙事地图的关键要素,主题决定故事的中心思想,是叙事的核心;时间和空间是故事发展的基础;过程是故事的具体内容。
为增强数据信息表达,本文借鉴叙事地图思想,以桥梁建造为主题,以建造工序为故事线,以地形、影像和桥梁BIM模型为数据基础,采用文字、图片、三维动画、视觉变量相结合的手段,通过视角切换展示桥梁建造时空过程的动态变化。并且考虑到桥梁建造过程参与人员大多背景不同,信息理解能力存在差异,本文采用线性叙事结构为用户讲解桥梁建造的时空过程,如图6所示。
本文将桥梁建造过程主要分为事件地点、施工背景及具体建造过程3个场景,每个场景都通过特定的视角切换展示,分别介绍事件发生地点、施工背景和具体建造过程。具体转场过程为:首先,从研究区的高空视角,通过地图、文字与符号等介绍桥梁工程的空间位置,将其作为叙事起始;其次,视角移至桥址位置,利用图文要素说明项目背景和施工部位基本信息;最后,依据施工工序关系,采用三维动画呈现建造过程,箭头标示施工方向,文本注明构件名称,同时图文并茂描述施工工序及机料法对象。
2 原型系统研发与案例分析
2.1 原型系统研发
本文研发的桥梁建造可视化平台的系统界面如图7所示,系统支持知识图谱查询和时空叙事的三维动态可视化展示。开发环境配置如下:AMD Ryzen 7 5800H with Radeon Graphics,
内存为16 GB,显卡显存为GeForce GTX 1650 2 032 MB;编译器为Visual Studio Code,第三方开源库为Cesium.js、Neovis.js,数据库为Neo4j。
2.2 实验数据描述
本文的实验数据分为模型、影像、文本三类。其中模型数据包括数字高程模型(digital elevation model,DEM)、BIM和倾斜摄影测量模型,DEM为案例区域增加了三维地形,BIM用于表达桥梁结构,倾斜摄影测量模型用于立体地描述区域内的地理对象。影像数据主要为文档对象模型(document object model,DOM),DOM能够为地形附着纹理,对道路等地表信息进行增强表达。文本数据为桥梁建造相关知识,包括桥梁结构、建造工序和施工资源等,这些数据被存储在Neo4j数据库中。
2.3 案例实验分析
2.3.1 桥梁建造过程时空叙事三维动态可视化
本文构建的桥梁建造知识图谱明确了可视化实验所需的细节数据,可为桥梁建造的时空叙事三维动态表达提供准确的知识引导。以桥梁索塔建造为具体案例,展示了知识引导的桥梁建造过程三维动态可视化表达过程。
索塔建造过程环节涵盖桩基、承台与塔座等施工环节。随着建造的进行,用户的视角会与施工部位相对应地调整。在桩基施工环节开始之前,首先利用文字描述桩基的基本属性,如数量和长度;其次,展示桩基施工动态模拟过程,旁边辅以文字描述和插图对施工工序进行详细说明,并对桩基模型进行标记说明;然后,是承台与塔座施工过程,先简要展示其基础参数,之后通过施工动画动态呈现施工过程,该过程中通过添加箭头符号标示建造方向,添加文字和插图为施工工序提供详细解读,此过程模拟如图8所示。
2.3.2 可视化评价与分析
为了评定本文方法传递场景信息的能力,从答题正确率和人员感受两方面对时空叙事三维动态可视化效果进行主客观评价。实验分为实验组与对照组,实验组即本文所提方法,对照组采用三维动画和文字的形式进行表达,文字为索塔建造相关信息,约350字,实验材料如图9所示。
实验随机召集了65名人员,其中实验组34名,对照组31名。两组人员完成实验后均立刻回答问卷问题,并且两组问卷内容相同。问卷包含7个问题,分为4个知识类问题和3个体验类问题,前者通过答题正确率客观评定用户对信息的理解程度,后者通过人员打分主观评价本文方法的可视化效果。问卷主要内容如表1所示。实验最后得到有效问卷共63份,其中实验组33份,对照组30份,有效率为97%,被筛选掉的部分问卷主要是由于多选或者漏选。
表 1 问卷主要内容Table 1. Main Content of the Questionnaire问题类型 内容 知识类 Q1:大桥位于哪个省份?(四选一) Q2: 索塔建造顺序大致是怎样的?(四选一) Q3:液压爬模是在什么工序中被使用的?(四选一) Q4:索塔建造过程中涉及到的材料有哪些?(多选) 体验类 Q5: 材料清晰度如何?(非常好,较好,一般,较差,非常差) Q6:材料理解难度如何?(非常容易,较容易,一般,较难,非常难) Q7:材料丰富度如何?(非常丰富,较丰富,一般,不丰富,非常不丰富) 本文对量表类问题即Q5~Q7从信度和效度两方面进行可靠性分析。信度用于评价问卷的一致性,通常认为克朗巴哈系数在0.8以上表示信度优秀,在0.6以下则需修订或删除;效度用于保证问卷的准确性和有效性,通常认为KMO(Kaiser-Meyer-Olkin)在0.7以上表示效度较好,Bartlett球形检验显著性小于0.05表示问卷结果符合要求。问卷结果如表2所示。从表2中可知问卷结果比较可靠,可进一步进行结果分析。
表 2 问卷可靠性检验结果Table 2. Questionnaire Reliability Test Results克朗巴哈系数 KMO Bartlett球形检验 近似卡方 自由度 显著性 0.916 0.734 203.529 3 <0.001 2.3.3 实验结果分析
实验结果通过问卷正确率及主观因素评价两个指标进行评价,主要的评价统计指标有平均值及方差,问卷平均分直观反映正确率,也就是参与人员认知效率的高低;方差反映实验数据离散程度。
1)答题正确率
通过Q1~Q4知识类问题的答题情况进行分析,首先对两组数据进行差异性检验,通过曼-惠特尼U检验得到p<0.001,远小于阈值0.05,说明两组数据差异明显。表3统计了每道题目的正确率(M)和方差(SD),统计结果表明,实验组答题情况普遍优于对照组,每题正确率均大于对照组,其中Q1的正确率提升0.05,Q2的正确率提升0.19,Q3的正确率提升0.16,Q4的正确率提升0.14。从整体答题正确率来看,实验组为76.5%,相比对照组的63.3%,正确率提升了13.2%。
表 3 知识类问题得分统计结果Table 3. Score Statistical Results of Knowledge-Based Questions问题 实验组M±SD 对照组M±SD Q1 0.88±0.33 0.83±0.37 Q2 0.76±0.43 0.57±0.50 Q3 0.79±0.41 0.63±0.48 Q4 0.64±0.48 0.50±0.50 人员个人答题情况如图10所示,从实验结果可以看出,实验组49%的人员能够答对全部题目,45%的人员能答对两题,6%的人员答对了一题,没有出现零正确率的情况;而对照组只有30%的人员能答对全部题目,40%的人员答对两题,15%的人员答对一题,有15%的人员为零正确率。总体而言,实验组90%以上的人至少能够答对两道题,效果远远优于对照组。
2)人员感受
人员感受是人员对材料难度、清晰度和丰富度的主观评价,共有5个等级可供选择,对应1~5分。对Q5~Q7的答题情况进行分析,首先对两组数据进行差异性检验,曼-惠特尼U检验得到p<0.001,证明两组数据存在显著差异。从体验类问题得分正确率的统计结果(表4)可以看出,实验组得分均高于4,而对照组得分均在3左右,其中Q5实验组得分较对照组高1.14,Q6实验组得分较对照组高1.12,Q7实验组得分较对照组高0.99。从整体平均得分来说,对照组得分3.07,实验组得分4.15,较对照组提升了1.08,说明人员对于实验组具有更高的认知效率。
表 4 体验类问题得分统计结果Table 4. Score Statistical Results for the ExperienceCategory Questions问题 实验组M±SD 对照组M±SD Q5 4.24±0.82 3.10±1.14 Q6 4.09±0.83 2.97±1.22 Q7 4.12±0.81 3.13±1.15 图11统计了人员主观感受分数分布情况,从灰色到蓝色的色带分别代表非常差、较差、一般、较好、非常好5个等级。Q5统计了人员对材料清晰度评价,由图11可知,实验组45.46%和36.36%的人员分别认为材料非常清晰和较清晰,对照组则分别只有16.67%和13.33%,说明实验有效提升了材料的清晰度;Q6统计了人员对材料理解难易度评价,实验组36.37%和39.39%的人员分别认为材料理解起来非常容易和较容易,对照组则分别只有13.34%和20.00%,说明实验有效降低了材料的理解难度;Q7统计了人员对材料丰富度评价,实验组36.37%和42.42%的人员分别认为材料非常丰富和较丰富,对照组则分别只有13.33%和23.33%,说明实验有效提升了材料的丰富度。从清晰度、丰富度和理解难度综合的角度来看,实验组78.8%的人员具有良好认知体验,相对对照组的33.3%,提升了45.5%。
3)结果原因分析
以上结果的产生主要有两点原因:①实验组考虑了视觉变量,结合三维模型、图片、文字对桥梁建造过程进行了增强表达,较对照组而言表达方式更为丰富,更具有可读性;②实验组通过“讲故事”的方式表达桥梁建造过程中的地理要素,较对照组而言能够更加清楚地阐释时空变化过程,增强信息的传递能力。
3 结语
针对桥梁建造过程涉及对象众多、行为复杂、状态多变,导致表达存在规范性差、认知效率低等问题,本文提出了一种知识引导的桥梁建造过程时空叙事三维动态可视化方法。首先,建立了“对象-行为-状态”三域关联的集成表达模型和知识图谱,实现桥梁建造知识的统一表达和关联管理;然后,基于桥梁建造知识图谱匹配与叙事可视化相关联的场景要素,支持桥梁建造三维场景映射与实例化,并且设计了时空叙事三维动态可视化方法;最后研发了原型系统,开展桥梁建造过程三维动态可视化实验。实验结果表明,所提方法能够实现桥梁建造知识的准确表达和传递,达到提升人员对桥梁建造过程空间认知水平的效果。
本文基于“对象-行为-状态”三域关联桥梁建造知识图谱,利用时空叙事对桥梁建造过程进行三维动态可视化表达,借助三维场景的可交互性及沉浸感等特点,虽然有效提升了桥梁建造过程认知的教育水平,但尚未考虑桥梁建造过程中结构数值仿真、施工方案预演及预测。就桥梁建造教育而言,结构数值仿真可以使学习者更准确地理解并掌握桥梁结构位移或应力等状态的变化趋势。而通过施工方案预演预测,可预先了解每种决策对应可能会引起的问题,并针对性地建立有效解决方案,培养问题决策能力。因此,如何将桥梁结构仿真与预测预案融入针对桥梁建造过程的教育内容中,将是未来非常重要的研究问题。
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20240092
-
表 1 感知内容之人流量
Table 1 The First Category of Content to Be Sensed in a City: Flow of Crowds
一级子类 二级子类 感知指标 交通场站人流量 火车站人流量 进站排队时间和队伍长度、站内等待时间进站人数、出站人数、场内人流密度场站出入口及站内关键点实况视频 机场人流量 长途客运站人流量 地铁站人流量 公交枢纽人流量 码头人流量 公共区域人流量 商圈人流量 进入区域的排队时间和队伍长度、区域内关键项目的排队时长进入区域人数、离开人数、区域内平均人流密度、关键点局部人流密度区域出入口及区域内关键点实况视频 广场人流量 景区人流量 文体场馆人流量 职住场所人流量 校园人流量 可用单元数、可容纳人数、入住率、剩余空间进入人数、离开人数、区域内平均人流密度进入等待时长和队伍长度人员按性别、年龄等重要标签的统计区域出入口及区域内关键点实况视频 工业园区人流量 厂矿人流量 社区和小区人流量 酒店人流量 重大活动人流量 体育赛事人流量 进入区域人数、离开人数、区域内平均人流密度、关键点局部人流密度区域高空全景图像、区域内关键点实况视频 文化艺术展览人流量 国际会议人流量 庆典活动人流量 出访巡游人流量 表 2 感知内容之交通流
Table 2 The Second Category of Content to Be Sensed in a City: Traffic Flow
一级子类 二级子类 感知指标 公共交通 城市道路 运力指标:交通工具数量、吞吐量(如单位时间内交通场站进出的交通工具总数量)、交通流量(单位时间内交通线路上通行的交通工具总数量),按照类型、排量、载客量等标签的交通工具统计效率指标:线路通行时间、行驶速度、发车间隔、运行频度(如2趟/d)状态指标:在运行交通工具数量、剩余可用数量、状态异常数量,运行线路、当前位置、预计达到时间,线路关键点位实况视频等 公交车 城市轨道交通 铁路 航空 长途客运 水路运输 个人交通 私家车 交通工具的数量、在运行数量、剩余可用数量、状态异常数量按照类型、排量、载客量等标签的车辆统计道路通行时间、行驶速度、车流量;当前位置、运行轨迹、预计达到时间关键路口和停靠点的实况视频 出租车 网约车 共享单车 货物运输 物流车 车辆数量、运行频度(如2趟/d)、吞吐量(如单位时间内的总班次等),按类型、排量、载重等标签的车辆统计在运行车辆数、剩余可用数量、状态异常数量线路通行时间、行驶速度,当前位置、运行轨迹、预计到达时间车辆自重、当前重量、运送物品类别及体积停靠地点及时间,关键路口、停靠点的实况视频 垃圾清运 渣土车 大货车 冷藏保鲜车 特种车辆 危化品运输车 车辆数量、运行频度(如2趟/d)、吞吐量(如单位时间内的总班次等),按类型、排量、载重等标签的车辆统计线路通行时间、行驶速度,当前位置、运行轨迹、预计到达时间,行驶过程中车载摄像头视频,停靠地点及时间车辆自重、当前重量、车辆重点状态信息 救护车 消防车 警车 殡葬车 洒水车 工程救险车 道路养护车辆 除障车辆 表 3 感知内容之环境
Table 3 The Third Category of Content to Be Sensed in a City: Natural Environment
一级子类 二级子类 感知指标 气象 气温 最高气温、最低气温、平均气温 气压 大气压强 湿度 水汽压和饱和水汽压、相对湿度、露点、饱和差、比湿、水汽混合比 风 风向、风速 降水 降水形态(雨、雪、雨夹雪、冰粒和冰雹等)、降水量、降水强度; 云量 云状、云高和云量 日照 可照时间和实照时间 辐射 太阳辐射、地球辐射、地表辐射、大气辐射、全辐射 蒸发 蒸发量 能见度 能见度 空气质量 气体污染物 二氧化硫、氮氧化物、一氧化碳、二氧化碳、甲醛、挥发性有机物等 颗粒物 细颗粒物(PM2.5)和可吸入颗粒物(PM10)等 光化学污染物 二次有机物(如丙烯醛、异丙醇等)和臭氧(O3) 放射性物质 惰性气体(如氦气、氖气等)、放射性气体(如氦-3、氦-4等)等 水质 物理特性 水温、透明度、色度、嗅和味、肉眼可见物等 化学性质 pH值、矿化度、总硬度、氧化还原电位、生化需氧量和化学需氧量等 细菌学指标 细菌总数、大肠菌群、耐热大肠菌 毒理学指标 氟化物、氯化物、砷、硒、汞、镉、铬、铅、银、硝酸盐、氯仿、四氯化碳、滴滴涕、六六六等含量 消毒类指标 游离性余氯、臭氧、二氧化氯 土壤 土壤肥力 地形、坡度、覆被度、侵蚀度,土层厚度、耕层厚度、质地、障碍层位,有机质、全氮、全磷、全钾、有效磷、有效钾等 环境质量 镉、汞、砷、铜、铅、铬、锌、镍、六六六、滴滴涕等含量 健康质量 土壤有机质、土壤微生物数量、活性、酸碱度、盐分、微量元素等 声环境 环境噪声 噪声级、分贝数 垃圾固废 生活垃圾 垃圾体积、重量、垃圾种类;垃圾异常堆放位置垃圾分类的覆盖率、分类准确率、生活垃圾减量率、回收再利用率等 建筑垃圾 垃圾体积、重量、垃圾种类;垃圾异常堆放位置水分含量,混凝土、砖瓦陶瓷、木材、金属和塑料五大废弃物含量,粒度分布,氟、铅、镍、汞等有害物质含量 工业垃圾 垃圾体积、重量、垃圾种类,垃圾异常堆放位置灰分、水分、水溶解物、油分、尘埃和碳氮元素占比镉、铜、汞、总砷、硒、镍、pH值、氟化物等含量 医疗垃圾 垃圾体积、重量、垃圾种类,垃圾异常堆放位置废物的毒性:急性毒性、慢性毒性和致突变性等废物的稳定性:化学稳定性、生物降解性和放射性衰变性等废物的迁移性:水迁移性、气体迁移性、土壤迁移性 表 4 感知内容之公共安全
Table 4 The Fourth Category of Content to Be Sensed in a City: Public Safety
一级子类 二级子类 感知指标 自然安全 洪涝 预计到达时间、平均强度、最大强度、持续时间影响范围、演进路径、灾难态势地域分布水、电、气、热能源供应、通信情况、道路畅通情况受灾人群数量、人员结构(年龄、性别、残障等),人员伤亡统计、人员救治情况受灾机构数量和类型,受灾建筑和基础设施评估救助物资分布及使用情况,抢险人员及车辆数量、位置及状态现场实况视频、高空全景图像、卫星遥感影像常规气象监测、卫生环境监测财产损失评估 台风 干旱 暴雨 暴雪 高温 地震 海啸 扬沙 泥石流 基础设施安全 通信基础设施 信号覆盖范围、通信容量、通信质量重要设施点位、设备状态、功耗、周边实况视频 能源基础设施 水、电、气、热的储备量、供给源头数、输出供应能力、当前供应量重要设施点位及周边实况视频、关键设备工作状态,能源泄漏位置 交通基础设施 关键设施的应变、挠度、裂缝、变位、倾斜度和沉降监测等关键设施点位及周边实况视频 水利基础设施 水位、水温、淤泥、流速;应变量、位移量、沉降、渗流量关键设施的内部应力和温度、周边实况视频,关键设备的工作状态 社会治安 维护社会稳定 警情总量和警情发生率、治安案件发生率、重大刑事案件在刑事案件中占比犯罪率、重新犯罪率、初犯率及初犯现象的综合分析破案率、治安组织分布、治安力量的空间密度违法犯罪和社会灾害造成的人身伤亡和财产损失统计指标;群众安全感、治安满意度、群体性事件数量及发生率、重大舆情数量及发生率 保护公共利益 促进经济繁荣 保障公平正义 交通安全 绝对评价指标 事故次数、事故强度、死亡人数、受伤人数、直接经济损失 相对评价指标 事故率:地点事故率、路段事故率、地区事故率单位人口死亡率、单位车辆死亡率、单位行车里程死亡率 综合评价指标 道路交通综合死亡率;车公里死亡率,单位货运周转量死亡率、单位客运周转量死亡率,亿车公里死亡率 食品安全 食品安全 食品检测合格率、食品安全事故数、事故等级 医疗安全 医疗环境安全 门诊等待时间、入院患者等待时间、手术室清洁度、医疗消防安全、医疗设备使用培训、医疗设备标定和校准准确性、医疗设备故障率、医疗机构违规行为、医疗机构管理质量指标、药品质量问题 医疗诊断安全 病例错误率、患者信息传递准确性、医疗误诊率、医疗报告错误率、医疗事故率、地点相关的错误率、住院患者滚动床位率 医疗救治安全 医疗器械操作错误率、手术终止率、超时手术率、预防性药物错误率、医疗团队沟通问题用药错误率、医疗感染率、医疗错误调查和纠正行动计划的及时性 康复安全 患者满意度调查结果、并发症率、并发症复发率、术后感染率、患者跌倒率 信息安全 安全审计 安全事件数量、安全事件持续时间、安全事件响应时间、安全事件响应成功率安全漏洞数量、安全漏洞修复时间安全备份和恢复时间安全预算、企业员工参加安全意识培训的比例 通信 密码支持 用户数据保护 标识与鉴别 安全管理 隐秘 安全功能保护 资源利用 访问安全 可信信道路径 表 5 感知内容之能耗
Table 5 The Fifth Category of Content to Be Sensed in a City: Energy Consumption
一级子类 二级子类 感知指标 水能耗 生活用水 生活用水量、人均用水量、生活用水在总用水量中的占比、生活用水中城镇生活用水和农村生活的比例,万元国内生产总值用水量、用水量与城市用电量比值、用水量与城市用气量之间的比值 工业用水 工业用水量、工业用水在总用水量中的占比、万元国内生产总值用水量、万元工业增加值用水量、工业GDP变化用水系数 农业用水 单方水粮食产量、农业GDP变化用水系数、减灌率 生态用水 生态用水总量、生态用水在总用水量中的占比,水生态系统健康度的提升与生态用水比值 电能耗 居民用电 居民用电总量、居民用电在总用电量中的占比,人均用电量、单位地域面积用电量,万元国内生产总值用电量、用电量与城市用水量比值、用电量与城市用气量之间的比值 工商业用电 工商业用电总量、工商业用电在总用电量中的占比,万元国内生产总值用电量、万元工业增加值用电量、工业GDP变化用电系数 大工业用电 大工业用电总量、大工业用电量在总用电量中的占比、单位产品用电量、万元大工业增加值用电量 农业用电 农业用电总量、农业用电量在总用电量中的占比、单位产品用电量、万元农业增加值用电量,农业用电中农、林、牧、渔、副业的占比 气能耗 天然气 每日气消耗量、人均气消耗量、每平方公里气消耗量每小时流经计量仪器的天然气体(m3/h)、每户每月然气使用量(m3/每户)、每万元生产产值所需消耗的天然气体积(m3/万元)4类燃气的气量使用分布 人工燃气 液化石油气 生物质气 热能耗 浅层地温能 热能总量、地热在地域空间的分布、人均地热量、地热能直接利用率、热提取率 水热型地热能 增强型地热系统 油耗 汽油 燃油储备量、燃油日消耗量、燃油注入量、人均拥有量加油站数量、加油站地域分布和密度关键加油站点排队长度、等待时间及视频图像各类燃油储备、消耗的比例 柴油 煤油 重油 表 6 感知内容之经济
Table 6 The Sixth Category of Content to Be Sensed in a City: Economy
一级子类 二级子类 感知指标 生产要素 土地 土地面积、自然资源分布、人口密度、土地类型占比用地指标:农业用地、工业用地、居民用地、生态保护区、城市绿地 劳动力 规模指标:劳动力数量及细分类别占比、经济活动人口、非经济活动人口变化指标:新增率、减少率、总变动率,流入率、流出率、总流动率利用率指标:就业率、失业率、劳动参与率,劳动力生产率、劳动薪酬负担指标:经济活动人口负担系数、从业人员负担系数、老人赡养系数、少年儿童抚养系数和丧失劳动能力供养系数 资本 货币量:M0现有货币、M1狭义货币、M2广义货币量,使用外资量,外汇储备量,固定资产投资额,基本建设、更新改造、房地产开发投资和其他固定资产投资比例 技术 规模指标:科学研究人才数、科学研究机构数、产业创新人才数、产业创新机构数,高影响力论文数、有效国家发明专利数、国际发明专利数、国家奖项数、技术转化价值总量效率指标:单位人口科研人才数、单位人口科研机构数、单位人口产业创新人才数、单位人口产业创新机构数、单位GDP高影响力论文数、单位GDP有效国家发明专利数、单位GDP国际发明专利数、单位GDP技术转化价值 生产成果 农业 国内生产总值,第一、二、三产业占国内生产总值的比例生产者物价指数,工业总产值、工业增加值,贸易顺差、逆差制造业增加值、制造业采购经理指数 工业 建筑业 运输业 商业 国民收入 劳动报酬 个人收入、家庭收入、人均可支配收入、城镇居民人均可支配收入、农村居民人均可支配收入,增值税、消费税和关税,企业所得税、外商投资企业和外国企业所得税、个人所得税,财政支出总额、财政支出结构、财政支出的边际系数和弹性系数 财政支出 税收 产品流通 运输 企业法人数、第三产业就业人数、社会消费品零售总额,批发零售业实现销售额、批发零售业销售额增加值,住宿餐饮业实现销售额、住宿餐饮业增加值 交换 使用消费 个人消费 消费者物价指数、城镇居民人均消费性支出、家庭储蓄率,居民生活消费支出中食品的比例、文化生活服务支出比例、不同质量消费品的消费比例 集体消费 生活品质 衣食住行 生活质量指数,人均居住面积、平均每人生活用水量、平均每人生活用电量、人均私家车拥有量,人均绿地面积、人均耕地面积,参加养老保险人数、参加新农村合作医疗人数 科学文教 三甲及以上医院数、医护人员数、婴幼儿死亡率、人均寿命预期,大学数量、人均教育年限、大学入学率、失学率,报刊期刊发行数、公共图书馆数、公共博物馆数 -
[1] 郑宇. 城市治理一网统管[J]. 武汉大学学报(信息科学版), 2022, 47(1): 19-25. Zheng Yu. Unified Urban Governance Models[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 19-25.
[2] Zheng Y. Urban Computing[M]. Boston: MIT Press, 2019
[3] Zheng Y, Capra L, Wolfson O, et al. Urban Computing: Concepts, Methodologies, and Applications[J]. ACM Transactions on Intelligent Systems and Technology, 2014, 5(3): 38.
[4] 郑宇. 城市计算概述[J]. 武汉大学学报(信息科学版), 2015, 40(1): 1-13. Zheng Yu. Introduction to Urban Computing[J]. Geomatics and Information Science of Wuhan University, 2015, 40(1): 1-13.
[5] 郑宇. 政民互通:构建政府和居民之间的双向信息通道[J]. 大数据, 2024, 10(1): 127-140. Zheng Yu. Building Bidirectional Digital Channels Between Governments and Citizens[J]. Big Data Research, 2024, 10(1): 127-140.
[6] Hsieh H P, Lin S D, Zheng Y. Inferring Air Quality for Station Location Recommendation Based on Urban Big Data[C]//The 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Sydney, NSW, Australia, 2015.
[7] Zheng Y, Liu F R, Hsieh H P. U-Air: When Urban Air Quality Inference Meets Big Data[C]//The 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Chicago Illinois,USA,2013.
[8] Yi X, Zheng Y, Zhang J,et al. ST-MVL: Filling Missing Values in Geo-sensory Time Series Data[C]//International Joint Conference on Artificial Intelligence, Bangkok, Thailand, 2016.
[9] Shang J B, Zheng Y, Tong W Z, et al. Inferring Gas Consumption and Pollution Emission of Vehicles Throughout a City[C]//The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,New York,USA,2014.
[10] Wang Y L, Zheng Y, Xue Y X. Travel Time Estimation of a Path Using Sparse Trajectories[C]//The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,New York,USA,2014.
[11] Campbell A T, Eisenman S B, Lane N D, et al. People-Centric Urban Sensing[C]//The 2nd Annual International Workshop on Wireless Internet, Boston, Massachusetts, USA, 2006.
[12] Campbell A T, Eisenman S B, Lane N D, et al. The Rise of People-Centric Sensing[J]. IEEE Internet Computing, 2008, 12(4): 12-21.
[13] Burke J A, Estrin D, Hansen M, et al. Participatory Sensing [EB/OL]. (2006-01-01)[2024-01-01]. https://doi.org/10.1145/1814433.1814435.
[14] Ji S G, Zheng Y, Li T R. Urban Sensing Based on Human Mobility[C]//The 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing, Heidelberg, Germany, 2016.
[15] Feige U. A Threshold of lnn for Approximating Set Cover (Preliminary Version)[C]//The 28th Annual ACM symposium on Theory of computing, Philadelphia, Pennsylvania, USA,1996.
[16] Khuller S, Moss A, Naor J. The Budgeted Maximum Coverage Problem[J]. Information Processing Letters, 1999, 70(1): 39-45.
[17] Li Y H, Bao J, Li Y H, et al. Mining the Most Influential $k$-Location Set from Massive Trajectories[J]. IEEE Transactions on Big Data, 2018, 4(4): 556-570.
[18] Chen N, Gravin N, Lu P Y. On the Approximability of Budget Feasible Mechanisms[C]//The 22nd Annual ACM-SIAM Symposium on Discrete Algorithms, San Francisco, California, 2011.
[19] Arya V, Garg N, Khandekar R, et al. Local Search Heuristics for k-median and Facility Location Problems[J]. SIAM Journal on Computing, 2004, 33(3): 544-562.
[20] Deng K, Sadiq S,Zhou X F,et al.On Group Nearest Group Query Processing[C]//IEEE Transactions on Knowledge and Data Engineering, 2012(1): 295-308.
[21] Li Y H, Zheng Y, Ji S G, et al. Location Selection for Ambulance Stations: A Data-Driven Approach[C]//The 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, Seattle, Washington, 2015.
[22] Nallapati R. Discriminative Models for Information Retrieval[C]//The 27th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Sheffield, United Kingdom, 2004.
[23] Burges C, Shaked T, Renshaw E, et al. Learning to Rank Using Gradient Descent[C]//The 22nd International Conference on Machine learning,Bonn, Germany, 2005.
[24] Herbrich R, Graepel T, Obermayer K. Support Vector Learning for Ordinal Regression[C]//The 9th International Conference on Artificial Neural Networks ICANN 99,Edinburgh, UK, 1999.
[25] Cao Z, Qin T, Liu T Y, et al. Learning to Rank: From Pairwise Approach to Listwise Approach[C]// The 24th International Conference on Machine Learning,Corvalis Oregon, USA,2007.
-
期刊类型引用(1)
1. 《中国公路学报》编辑部. 中国桥梁工程学术研究综述·2024. 中国公路学报. 2024(12): 1-160 . 百度学术
其他类型引用(0)